大型语言模型（LLM）已被用于因果发现，但在候选图生成中，往往没有把可能遗漏的因果关系作为明确的设计目标。为此我们提出 MaSCoD，一个多代理框架，先组织候选第三变量和局部结构模式，再进行直接边判定。
我们在 Auto-MPG、DWD 和 Sachs 三个数据集上进行评估，主要使用 GPT-5.4 作为骨干模型，GPT-4o 用于复现。实验表明，MaSCoD 的保留‑选择性表现随数据集和骨干模型而异，并非统一优越。
在所有六种数据集‑骨干组合中，Full（在直接边判定前提供结构假设）相比 No Phase 1（在判定过程中构建结构）获得更高的平均 Recall 和 F1，同时也提升了误报率。对 DWD（使用 GPT-5.4）和 Sachs（使用 GPT-4o）出现了额外的参考边保留，而不是在所有设置中均匀提升。
部分消融实验显示，同时提供两类信息并不总是优于仅提供其中一种。针对 GPT-5.4 的阶段分析发现，Full‑No Phase 1 的保留差距在直接边判定后已显现，而在 Sachs 上的调和步骤进一步导致 Full 的参考边损失。
这些结果支持将结构预组织作为显式的设计与评估目标，以控制遗漏，并鼓励将上下文构建与其在判定中的使用联合评估。
点评